特斯拉的“純視覺”路線，不是所有人都學得來互聯(lián)網(wǎng)+
導讀
BEV+Transformer+占用網(wǎng)絡(luò)技術(shù)路線的大熱，再次將激光雷達推向風口浪尖。
BEV+Transformer+占用網(wǎng)絡(luò)技術(shù)路線的大熱，再次將激光雷達推向風口浪尖。
BEV+Transformer+占用網(wǎng)絡(luò)技術(shù)路線的大熱，再次將激光雷達推向風口浪尖。
激光雷達該不該被拋棄？
對車企來說，這是一個艱難的抉擇：是堅定不移跟隨特斯拉走具有「性價比」的純視覺路線，還是采用看起來「成本稍高」的激光雷達融合方案？
要回答這個問題并不難——尤其是當你洞悉事情的真相是反常識的時候。
比如，去除激光雷達，看起來減掉的是智能駕駛系統(tǒng)的 BOM 成本，整車成本也隨之下降了，但冰山之下的隱性成本增加了多少，你計算過嗎？
再比如，占用網(wǎng)絡(luò)的白名單可以覆蓋包括機動車、行人、兩輪車、錐桶、水馬、路面、樹木等十幾個常見的「道路物體」，但白名單之外的物體，它能看見嗎？
在城市 NOA 大規(guī)模落地前夕，整個智能駕駛行業(yè)需要重新審視純視覺方案背后的成本和技術(shù)難易程度，以及激光雷達的核心價值。
「抄特斯拉作業(yè)」是否是最佳選擇？在城市 NOA 落地浪潮下，車企如何集中優(yōu)勢發(fā)揮所長？
這些都是需要被優(yōu)先考慮的問題。
01 模仿特斯拉，不該忽略純視覺路線背后的「隱性成本」
「4 顆以下，請別說話。」這可能是此前汽車行業(yè)「卷」激光雷達最出圈的表達。
到今天，激光雷達仍然是絕大部分頭部車企新車的標配。從蔚小理，再到華為（問界、阿維塔）、極氪、零跑，激光雷達在國內(nèi)能夠快速量產(chǎn)上車，很大程度上是由他們直接或間接推動的。
激光雷達的風靡，來自其帶給消費者的科技感和安全感。
而當「降本」的旋風刮來，在特斯拉跑通純視覺方案之后，「去激光雷達」的聲音又此起彼伏。
短期看，拿掉激光雷達，「降本效果」立現(xiàn)。
然而從長期看，車企需要為這一選擇投入更多的研發(fā)資源。
禾賽科技戰(zhàn)略負責人施葉舟認為，「在考慮成本的時候，不能夠只看到硬件成本，實際上更要考慮背后所需要各種研發(fā)服務(wù)和資源投入，也就是『全成本』——除了冰山上面的顯性成本（硬件、BOM 成本），還有大量被忽視的隱性成本。」
這里所稱的純視覺技術(shù)路線中的「隱性成本」，包括算法、路測、云計算、數(shù)據(jù)標注、仿真訓練和系統(tǒng)軟件等。
特斯拉前 AI 高級總監(jiān) Andrej Karpathy 曾在公開演講時說到：「純視覺能夠精準感知深度、速度、加速度信息，實現(xiàn)純視覺是一件困難的事情，還需要大量數(shù)據(jù)。」
換句話說，特斯拉作業(yè)并不好抄，門檻和壁壘極高。
這主要體現(xiàn)在三個方面：
一是海量數(shù)據(jù)。
特斯拉的自動駕駛算法是業(yè)內(nèi)公認能力最強、投入最大、研發(fā)最早的。截至目前，特斯拉 FSD 累積行駛里程已超 5 億英里，Autopilot 使用里程已經(jīng)超過 90 億英里。
特斯拉的自動駕駛系統(tǒng)每天可以接收到車隊回傳的 1600 億幀視頻數(shù)據(jù)，支持神經(jīng)網(wǎng)絡(luò)訓練。眾所周知，數(shù)據(jù)積累取決于累計交付量和行駛里程，如此大的數(shù)據(jù)體量，也意味著需要投入大量的時間成本。
其次是自研芯片。
特斯拉自 2014 年開始自研芯片之路，2019 年發(fā)布了 FSD 自研芯片。
為了提升數(shù)據(jù)處理能力，為進一步的深度學習量身定制，2021 年 8 月，特斯拉發(fā)布了用于神經(jīng)網(wǎng)絡(luò)訓練的自研芯片 D1，D1 芯片基于 7nm 工藝打造，算力可達 362TFLOPS。
D1 芯片具備較強的可擴展性，25 個芯片可組成一個計算模塊，而 120 個計算模塊可以組成外界熟知的「Dojo ExaPOD」超級計算機。
第三是圍繞算法訓練搭建的超算中心。
在特斯拉自建的大數(shù)據(jù)中心中，使用了 14,000 片 GPU 芯片，其中 10000 片用于 AI 訓練的 H100，4000 片用于數(shù)據(jù)標注。
據(jù)了解，一片 H100 芯片官方售價 3.5 萬美元，盡管在黑市被炒到 30~40 萬元人民幣，依然是「一片難求」。
特斯拉上線 H100 GPU 集群的同時，還激活了自研的超級計算機群組 Dojo ExaPOD，開啟云端算力競賽，以支持自動駕駛技術(shù)的更新迭代。
Dojo 于 2023 年 7 月開始生產(chǎn)部署，馬斯克曾表示，到 2024 年，特斯拉還將向 Dojo 再投資 10 億美元。預計到 2024 年 10 月，Dojo 算力會達到 100Exa-Flops。
從這個角度看，光是算法訓練的芯片投入就十分驚人，達到數(shù)十億元。
基于這樣的數(shù)據(jù)，我們可以做一個簡單的數(shù)學推算：
假設(shè)要開發(fā)一個特斯拉式純視覺路線的高階智能駕駛系統(tǒng)，這個方案總投入大約在 200 億元。
試想一下，要壓低這個成本需要多大規(guī)模的銷量？
——當汽車銷量到 2000 萬輛時，每輛車的自動駕駛成本可以降到 1000 元。
——而當汽車銷量只有幾十萬、上百萬輛時，這筆投入該如何攤銷？
當前，特斯拉累計銷量超過 400 萬輛，其所釋放的規(guī)模效應讓友商們難以企及。因此，特斯拉選擇視覺路線，不只是「算法能力強」，更是建立在巨大的保有量、車載芯片自研、數(shù)據(jù)回環(huán)和自動化標注、自建超算中心訓練模型等一系列能力之上的綜合實力。
02 占用網(wǎng)絡(luò)不是「萬能鑰匙」，激光雷達仍是「最佳助攻」
2016 年 1 月 20 日，在輔助駕駛狀態(tài)下，一輛特斯拉撞上了一堵靜止的水泥隔離墻上。這是特斯拉首起「自動駕駛」事故。
當時，對特斯拉的唱衰之聲不絕于耳。但經(jīng)過 7 年探索，特斯拉如今在自動駕駛領(lǐng)域一騎絕塵。當特斯拉跑通自動駕駛之后，其他車企開始轉(zhuǎn)向了「大模型」路線，沿著特斯拉從 BEV 向占用網(wǎng)絡(luò)迭代之路進化。
不過，即便不惜成本投入堆起來的「占用網(wǎng)絡(luò)」，對于通用障礙物的識別仍然無法做到「天衣無縫」。
占用網(wǎng)絡(luò)，是一套基于神經(jīng)網(wǎng)絡(luò)的算法，是在時序?qū)R、多幀數(shù)據(jù)融合下構(gòu)建的 4D 網(wǎng)絡(luò)。
「因為拼接了很多算法，涉及到多幀融合。不可避免就會有一定程度的延時。」對于國內(nèi)車企來說，在車端有限的算力之下，如何兼顧「高精度」和「低延時」存在諸多考驗。
更重要的是，占用網(wǎng)絡(luò)技術(shù)會因視覺缺失 3D 信息而導致漏檢、誤檢。
為了視覺算法輸出結(jié)果比較準確，需要源源不斷的數(shù)據(jù)輸入和迭代以提高精準度。
在車輛覆蓋沒有到一定規(guī)模前，尚且無法獲得更多數(shù)據(jù)——這正是不少車企現(xiàn)階段對「去掉激光雷達」保持謹慎，而選擇「攝像頭+激光雷達」融合感知路線的原因。
相比于算法，激光雷達具備「硬件本能」，不需要經(jīng)過大量復雜的計算和假設(shè)，以及數(shù)據(jù)訓練就可以得到純視覺方案需要的某些數(shù)值。
相比純視覺方案，激光雷達能夠應對不易處理的 corner case（邊緣場景），彌補攝像頭可能出現(xiàn)的誤判。
在融合方案中，激光雷達存在多個公認的核心優(yōu)勢：
一是「抗干擾」，不懼夜間環(huán)境。
據(jù) MIT 團隊 2022 年的研究結(jié)果表明，配備了激光雷達的融合方法將夜間的感知精度提高 3 倍。
二是「真三維」，精度更高。
激光雷達基于三維坐標，能精確到厘米級別為算法提供地面和物體的相對位置。地面上的高低不平的路況，一些低矮物體，激光雷達也能夠捕捉到。
三是「高置信度」，識別物體數(shù)量更多。
純視覺方案會建立覆蓋常見「道路物體」（機動車、行人、兩輪車、錐桶、水馬、路面、樹木等）的白名單。白名單之外，可能「視而不見」。
通過激光雷達直接獲取實時 3D 數(shù)據(jù)后，車輛可以直接判斷障礙物是否存在，為占用網(wǎng)絡(luò)提供真值輸入，在融合方案里作有力補充，提升系統(tǒng)安全性。
此外，激光雷達的反應速度更快。在中國城市內(nèi)存在復雜路況，比如鬧市區(qū)里車輛突然的加塞、變道等，激光雷達相比攝像頭的反應速度更快，能夠準確判斷對方移動速度。
值得一提的是，在最近行業(yè)大熱的話題「如何降低 AEB 的誤觸發(fā)率」上，激光雷達也可以幫助避免一些常見的安全隱患。
施葉舟表示，「AEB 的誤觸發(fā)，背后的本質(zhì)原因是感知精度不夠高。在激光雷達加持下，周圍感知精度的提升，誤觸發(fā)可以大大減少」。以搭載激光雷達的理想 L9 Max 為例，采用多傳感器融合方案之后，每 10 萬公里的誤觸發(fā)次數(shù)遠遠低于行業(yè)均值。
綜合來看，占用網(wǎng)絡(luò)技術(shù)不是一個解鎖通用障礙物識別的萬能鑰匙，而激光雷達在提升安全性的過程中，有著舉足輕重的作用。
03 激光雷達融合方案，高階智能駕駛落地的「助跑器」
城市 NOA 正在迎來一個高光時刻——問界新 M7 累計大定已超過 8 萬臺，其中超過 60% 用戶選擇了智駕版（激光雷達版）；小鵬新 G9 激光雷達版本選配比例高達 80%。
在此之前，一款車的智能駕駛搭載率只能達到 20%~30% 左右。問界和小鵬新車的智能駕駛選配率，遠遠超過了行業(yè)預期。
城市 NOA 迅速落地的背后，給廣大的消費者體驗帶來根本變化是最主要的驅(qū)動力。
要實現(xiàn)更大范圍的自動駕駛的覆蓋，要切入真正的高頻和剛需場景，先走到距離用戶最近的地方。
數(shù)據(jù)顯示，汽車平均有 71% 的里程是在城市道路行駛，對應時間占車主總駕車時長的 90%。而華為和小鵬得以更快落地城市 NOA，激光雷達功不可沒。
智能駕駛權(quán)威測評機構(gòu) nuScences 的數(shù)據(jù)顯示：
截止 2023 年上半年，純視覺方案（攝像頭）和融合方案（激光雷達+攝像頭）對目標物追蹤準確度（AMOTA）上仍有較大差距：二者相差接近 20 個百分點（56% VS. 75%）。
預計到 2025 年，純視覺方案準確度的均值會達到 70%~71%。這一數(shù)字相比配備激光雷達的融合方案在 22 年的準確度落后了 3 年時間。
換個角度來看，激光雷達融合方案可以讓高階智能駕駛落地時間縮短 3 年。
輕舟智航產(chǎn)品負責人許諾直言，現(xiàn)階段單純依靠視覺方案，很難應對中國城市道路中的各類 Corner Case。「激光雷達，是以投入換時間，加速城市 NOA 落地的捷徑。」
「當你做視覺方案時，系統(tǒng)遇到未知或者通用障礙物識別時，激光雷達方案的優(yōu)勢是突出的。像路上突然掉下來的物體，例如紙箱、木箱等，通過激光雷達能夠感應到。而且激光雷達可以告訴你，前面有障礙物，也會告訴你做分類處理。」許諾說道。
由此看來，激光雷達不僅是智能汽車里的「隱形安全氣囊」，更是輔助車企量產(chǎn)落地城市 NOA 的捷徑。
在國內(nèi)市場，蔚來、理想、小鵬、仰望、智己、極氪、問界、阿維塔等汽品牌，在已經(jīng)量產(chǎn)或即將上市的車型中，都配備了激光雷達。
在海外，布局 L3 智能駕駛功能的頭部車企也都配備了激光雷達，包括已經(jīng)獲得 L3 監(jiān)管批準的奔馳，以及正在布局的寶馬、沃爾沃等。
下一步，高階輔助駕駛?cè)粢虼蟊娛袌龀掷m(xù)滲透，系統(tǒng)成本有望繼續(xù)下探。
施葉舟表示，禾賽正在通過核心零部件芯片化等技術(shù)降本手段，以及放大規(guī)模效應的優(yōu)勢，為城市 NOA 持續(xù)落地服務(wù)。目前，禾賽已將激光雷達的價格從幾年前的幾十萬元，降到了現(xiàn)在的幾千元，做到了十倍以下。
到那時，激光雷達的高成本，或許也不再是阻礙其大規(guī)模上車的門檻。
車企是否都要走特斯拉的純視覺方案，最終要量力而為。而從現(xiàn)階段來看，激光雷達不僅可以成為城市 NOA 落地的「助跑器」，在未來也能夠繼續(xù)發(fā)揮其獨特價值，做自動駕駛領(lǐng)域的「最強助攻」。
禾賽科技戰(zhàn)略負責人施葉舟認為，「在考慮成本的時候，不能夠只看到硬件成本，實際上更要考慮背后所需要各種研發(fā)服務(wù)和資源投入，也就是『全成本』——除了冰山上面的顯性成本（硬件、BOM 成本），還有大量被忽視的隱性成本。」
這里所稱的純視覺技術(shù)路線中的「隱性成本」，包括算法、路測、云計算、數(shù)據(jù)標注、仿真訓練和系統(tǒng)軟件等。
特斯拉前 AI 高級總監(jiān) Andrej Karpathy 曾在公開演講時說到：「純視覺能夠精準感知深度、速度、加速度信息，實現(xiàn)純視覺是一件困難的事情，還需要大量數(shù)據(jù)。」
換句話說，特斯拉作業(yè)并不好抄，門檻和壁壘極高。
這主要體現(xiàn)在三個方面：
一是海量數(shù)據(jù)。
特斯拉的自動駕駛算法是業(yè)內(nèi)公認能力最強、投入最大、研發(fā)最早的。截至目前，特斯拉 FSD 累積行駛里程已超 5 億英里，Autopilot 使用里程已經(jīng)超過 90 億英里。
特斯拉的自動駕駛系統(tǒng)每天可以接收到車隊回傳的 1600 億幀視頻數(shù)據(jù)，支持神經(jīng)網(wǎng)絡(luò)訓練。眾所周知，數(shù)據(jù)積累取決于累計交付量和行駛里程，如此大的數(shù)據(jù)體量，也意味著需要投入大量的時間成本。
其次是自研芯片。
特斯拉自 2014 年開始自研芯片之路，2019 年發(fā)布了 FSD 自研芯片。
為了提升數(shù)據(jù)處理能力，為進一步的深度學習量身定制，2021 年 8 月，特斯拉發(fā)布了用于神經(jīng)網(wǎng)絡(luò)訓練的自研芯片 D1，D1 芯片基于 7nm 工藝打造，算力可達 362TFLOPS。
D1 芯片具備較強的可擴展性，25 個芯片可組成一個計算模塊，而 120 個計算模塊可以組成外界熟知的「Dojo ExaPOD」超級計算機。
第三是圍繞算法訓練搭建的超算中心。
在特斯拉自建的大數(shù)據(jù)中心中，使用了 14,000 片 GPU 芯片，其中 10000 片用于 AI 訓練的 H100，4000 片用于數(shù)據(jù)標注。
據(jù)了解，一片 H100 芯片官方售價 3.5 萬美元，盡管在黑市被炒到 30~40 萬元人民幣，依然是「一片難求」。
特斯拉上線 H100 GPU 集群的同時，還激活了自研的超級計算機群組 Dojo ExaPOD，開啟云端算力競賽，以支持自動駕駛技術(shù)的更新迭代。
Dojo 于 2023 年 7 月開始生產(chǎn)部署，馬斯克曾表示，到 2024 年，特斯拉還將向 Dojo 再投資 10 億美元。預計到 2024 年 10 月，Dojo 算力會達到 100Exa-Flops。
從這個角度看，光是算法訓練的芯片投入就十分驚人，達到數(shù)十億元。
基于這樣的數(shù)據(jù)，我們可以做一個簡單的數(shù)學推算：
假設(shè)要開發(fā)一個特斯拉式純視覺路線的高階智能駕駛系統(tǒng)，這個方案總投入大約在 200 億元。
試想一下，要壓低這個成本需要多大規(guī)模的銷量？
——當汽車銷量到 2000 萬輛時，每輛車的自動駕駛成本可以降到 1000 元。
——而當汽車銷量只有幾十萬、上百萬輛時，這筆投入該如何攤銷？
當前，特斯拉累計銷量超過 400 萬輛，其所釋放的規(guī)模效應讓友商們難以企及。因此，特斯拉選擇視覺路線，不只是「算法能力強」，更是建立在巨大的保有量、車載芯片自研、數(shù)據(jù)回環(huán)和自動化標注、自建超算中心訓練模型等一系列能力之上的綜合實力。
02 占用網(wǎng)絡(luò)不是「萬能鑰匙」，激光雷達仍是「最佳助攻」
2016 年 1 月 20 日，在輔助駕駛狀態(tài)下，一輛特斯拉撞上了一堵靜止的水泥隔離墻上。這是特斯拉首起「自動駕駛」事故。
當時，對特斯拉的唱衰之聲不絕于耳。但經(jīng)過 7 年探索，特斯拉如今在自動駕駛領(lǐng)域一騎絕塵。當特斯拉跑通自動駕駛之后，其他車企開始轉(zhuǎn)向了「大模型」路線，沿著特斯拉從 BEV 向占用網(wǎng)絡(luò)迭代之路進化。
不過，即便不惜成本投入堆起來的「占用網(wǎng)絡(luò)」，對于通用障礙物的識別仍然無法做到「天衣無縫」。
占用網(wǎng)絡(luò)，是一套基于神經(jīng)網(wǎng)絡(luò)的算法，是在時序?qū)R、多幀數(shù)據(jù)融合下構(gòu)建的 4D 網(wǎng)絡(luò)。
「因為拼接了很多算法，涉及到多幀融合。不可避免就會有一定程度的延時。」對于國內(nèi)車企來說，在車端有限的算力之下，如何兼顧「高精度」和「低延時」存在諸多考驗。
更重要的是，占用網(wǎng)絡(luò)技術(shù)會因視覺缺失 3D 信息而導致漏檢、誤檢。
為了視覺算法輸出結(jié)果比較準確，需要源源不斷的數(shù)據(jù)輸入和迭代以提高精準度。
在車輛覆蓋沒有到一定規(guī)模前，尚且無法獲得更多數(shù)據(jù)——這正是不少車企現(xiàn)階段對「去掉激光雷達」保持謹慎，而選擇「攝像頭+激光雷達」融合感知路線的原因。
相比于算法，激光雷達具備「硬件本能」，不需要經(jīng)過大量復雜的計算和假設(shè)，以及數(shù)據(jù)訓練就可以得到純視覺方案需要的某些數(shù)值。
相比純視覺方案，激光雷達能夠應對不易處理的 corner case（邊緣場景），彌補攝像頭可能出現(xiàn)的誤判。
在融合方案中，激光雷達存在多個公認的核心優(yōu)勢：
一是「抗干擾」，不懼夜間環(huán)境。
據(jù) MIT 團隊 2022 年的研究結(jié)果表明，配備了激光雷達的融合方法將夜間的感知精度提高 3 倍。
二是「真三維」，精度更高。
激光雷達基于三維坐標，能精確到厘米級別為算法提供地面和物體的相對位置。地面上的高低不平的路況，一些低矮物體，激光雷達也能夠捕捉到。
三是「高置信度」，識別物體數(shù)量更多。
純視覺方案會建立覆蓋常見「道路物體」（機動車、行人、兩輪車、錐桶、水馬、路面、樹木等）的白名單。白名單之外，可能「視而不見」。
通過激光雷達直接獲取實時 3D 數(shù)據(jù)后，車輛可以直接判斷障礙物是否存在，為占用網(wǎng)絡(luò)提供真值輸入，在融合方案里作有力補充，提升系統(tǒng)安全性。
此外，激光雷達的反應速度更快。在中國城市內(nèi)存在復雜路況，比如鬧市區(qū)里車輛突然的加塞、變道等，激光雷達相比攝像頭的反應速度更快，能夠準確判斷對方移動速度。
值得一提的是，在最近行業(yè)大熱的話題「如何降低 AEB 的誤觸發(fā)率」上，激光雷達也可以幫助避免一些常見的安全隱患。
施葉舟表示，「AEB 的誤觸發(fā)，背后的本質(zhì)原因是感知精度不夠高。在激光雷達加持下，周圍感知精度的提升，誤觸發(fā)可以大大減少」。以搭載激光雷達的理想 L9 Max 為例，采用多傳感器融合方案之后，每 10 萬公里的誤觸發(fā)次數(shù)遠遠低于行業(yè)均值。
綜合來看，占用網(wǎng)絡(luò)技術(shù)不是一個解鎖通用障礙物識別的萬能鑰匙，而激光雷達在提升安全性的過程中，有著舉足輕重的作用。
03 激光雷達融合方案，高階智能駕駛落地的「助跑器」
城市 NOA 正在迎來一個高光時刻——問界新 M7 累計大定已超過 8 萬臺，其中超過 60% 用戶選擇了智駕版（激光雷達版）；小鵬新 G9 激光雷達版本選配比例高達 80%。
在此之前，一款車的智能駕駛搭載率只能達到 20%~30% 左右。問界和小鵬新車的智能駕駛選配率，遠遠超過了行業(yè)預期。
城市 NOA 迅速落地的背后，給廣大的消費者體驗帶來根本變化是最主要的驅(qū)動力。
要實現(xiàn)更大范圍的自動駕駛的覆蓋，要切入真正的高頻和剛需場景，先走到距離用戶最近的地方。
數(shù)據(jù)顯示，汽車平均有 71% 的里程是在城市道路行駛，對應時間占車主總駕車時長的 90%。而華為和小鵬得以更快落地城市 NOA，激光雷達功不可沒。
智能駕駛權(quán)威測評機構(gòu) nuScences 的數(shù)據(jù)顯示：
截止 2023 年上半年，純視覺方案（攝像頭）和融合方案（激光雷達+攝像頭）對目標物追蹤準確度（AMOTA）上仍有較大差距：二者相差接近 20 個百分點（56% VS. 75%）。
預計到 2025 年，純視覺方案準確度的均值會達到 70%~71%。這一數(shù)字相比配備激光雷達的融合方案在 22 年的準確度落后了 3 年時間。
換個角度來看，激光雷達融合方案可以讓高階智能駕駛落地時間縮短 3 年。
輕舟智航產(chǎn)品負責人許諾直言，現(xiàn)階段單純依靠視覺方案，很難應對中國城市道路中的各類 Corner Case。「激光雷達，是以投入換時間，加速城市 NOA 落地的捷徑。」
「當你做視覺方案時，系統(tǒng)遇到未知或者通用障礙物識別時，激光雷達方案的優(yōu)勢是突出的。像路上突然掉下來的物體，例如紙箱、木箱等，通過激光雷達能夠感應到。而且激光雷達可以告訴你，前面有障礙物，也會告訴你做分類處理。」許諾說道。
由此看來，激光雷達不僅是智能汽車里的「隱形安全氣囊」，更是輔助車企量產(chǎn)落地城市 NOA 的捷徑。
在國內(nèi)市場，蔚來、理想、小鵬、仰望、智己、極氪、問界、阿維塔等汽品牌，在已經(jīng)量產(chǎn)或即將上市的車型中，都配備了激光雷達。
在海外，布局 L3 智能駕駛功能的頭部車企也都配備了激光雷達，包括已經(jīng)獲得 L3 監(jiān)管批準的奔馳，以及正在布局的寶馬、沃爾沃等。
下一步，高階輔助駕駛?cè)粢虼蟊娛袌龀掷m(xù)滲透，系統(tǒng)成本有望繼續(xù)下探。
施葉舟表示，禾賽正在通過核心零部件芯片化等技術(shù)降本手段，以及放大規(guī)模效應的優(yōu)勢，為城市 NOA 持續(xù)落地服務(wù)。目前，禾賽已將激光雷達的價格從幾年前的幾十萬元，降到了現(xiàn)在的幾千元，做到了十倍以下。
到那時，激光雷達的高成本，或許也不再是阻礙其大規(guī)模上車的門檻。
車企是否都要走特斯拉的純視覺方案，最終要量力而為。而從現(xiàn)階段來看，激光雷達不僅可以成為城市 NOA 落地的「助跑器」，在未來也能夠繼續(xù)發(fā)揮其獨特價值，做自動駕駛領(lǐng)域的「最強助攻」。
1.TMT觀察網(wǎng)遵循行業(yè)規(guī)范，任何轉(zhuǎn)載的稿件都會明確標注作者和來源；
2.TMT觀察網(wǎng)的原創(chuàng)文章，請轉(zhuǎn)載時務(wù)必注明文章作者和"來源：TMT觀察網(wǎng)"，不尊重原創(chuàng)的行為TMT觀察網(wǎng)或?qū)⒆肪控熑危?br>
3.作者投稿可能會經(jīng)TMT觀察網(wǎng)編輯修改或補充。
